Интеллектуальные методы анализа данных в биомедицинских исследованиях: деревья классификации

Обложка
  • Авторы: Наркевич А.Н.1, Виноградов К.А.1, Гржибовский А.М.2,3,4,5
  • Учреждения:
    1. ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В. Ф. Войно-Ясенецкого»
    2. ФГБОУ ВО «Северный государственный медицинский университет»
    3. Западно-Казахстанский медицинский университет им. Марата Оспанова
    4. Казахский Национальный Университет им. аль-Фараби
    5. ФГАОУ ВО «Северо-Восточный федеральный университет им. М. К. Аммосова»
  • Выпуск: Том 28, № 3 (2021)
  • Страницы: 54-64
  • Раздел: Статьи
  • URL: https://journal-vniispk.ru/1728-0869/article/view/64425
  • DOI: https://doi.org/10.33396/1728-0869-2021-3-54-64
  • ID: 64425

Цитировать

Полный текст

Аннотация

Задачи современных биомедицинских исследований требуют все более сложных методов анализа данных. В последнее время под анализом данных все реже понимают проверку статистических гипотез с помощью классических статистических критериев и оценку связи между признаками с помощью корреляционного анализа и все чаще в понятие анализ данных вкладывается более всестороннее изучение полученных в результате эмпирических исследований данных с применением многомерных статистических методов. Одним из таких методов анализа с большим потенциалом использования в технологиях искусственного интеллекта, анализе больших данных и машинном обучении данных является дерево классификации, или дерево решений. Целью данной статьи является рассмотрение вопросов применения деревьев классификации в медико-биологических исследованиях, а также представление примеров их построения в наиболее часто применяемых статистических программах. В статье приведены описание задачи, которая может быть решена с помощью деревьев классификации, пример набора данных для их построения, а также построение модели дерева классификации в IBM SPSS Statistics и StatSoft Statistica. Применение при анализе данных медико-биологических экспериментов дерева классификации, как одного из относительно легко используемых и интерпретируемых методов многомерного анализа данных, позволит более глубоко изучать закономерности явлений и состояний в области медицины и биологии.

Об авторах

Артем Николаевич Наркевич

ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В. Ф. Войно-Ясенецкого»

Email: narkevichart@gmail.com
доктор медицинских наук, зав. лабораторией медицинской кибернетики и управления в здравоохранении, зав. кафедрой медицинской кибернетики и информатики г. Красноярск

Константин Анатольевич Виноградов

ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В. Ф. Войно-Ясенецкого»

г. Красноярск

Андрей Мечиславович Гржибовский

ФГБОУ ВО «Северный государственный медицинский университет»; Западно-Казахстанский медицинский университет им. Марата Оспанова; Казахский Национальный Университет им. аль-Фараби; ФГАОУ ВО «Северо-Восточный федеральный университет им. М. К. Аммосова»

Архангельск

Список литературы

  1. Гржибовский А. М., Иванов С. В., Горбатова М. А. Однофакторный линейный регрессионный анализ с использованием программного обеспечения Statistica и SPSS // Наука и здравоохранение. 2017. № 2. С. 5-33
  2. Калагина Л. С., Сморкалова В. М., Зобкова Т. И. Деревья классификации в прогнозировании исходов гепатита Аудетей // Медицинский альманах. 2011. № 4. С. 207-210
  3. Калагина Л. С., Сморкалова В. М., Зобкова Т. И. Математическая модель прогнозирования исходов легкой формы гепатита B у детей // Педиатрия. Журнал им. Г. Н. Сперанского. 2012. Т. 91, № 4. С. 156-159
  4. Кондрова Н. С., Зулькарнаев Т. Р., Франц М. В. Потенциал здоровья работников как компонент человеческого потенциала организации // Гигиена и санитария. 2018. Т. 97, № 2. С. 164-171
  5. Константинова Е. Д., Вараксин А. Н., Жовнер И. В. Определение основных факторов риска развития неинфекционных заболеваний: метод деревьев классификации // Гигиена и санитария. 2013. Т. 92, № 5. С. 69-72
  6. Наркевич А. Н., Виноградов К. А. Настольная книга автора медицинской диссертации: пособие. М.: Инфра-М, 2019. 454 с
  7. Наркевич А. Н, Виноградов К. А., Корецкая Н. М., Наркевич А. А. Использование прогностических математических моделей для выявления больных туберкулезом легких // Туберкулез и болезни легких. 2014. № 9. С. 44-45
  8. Фомина Е. Е. Возможности метода деревьев классификации при обработке социологической информации // Гуманитарный вестник. 2018. № 11. С. 5
  9. Халафян А. А., Виноградов Р. А., Акиньшина В. А., Кошкаров А. А. Система поддержки принятия решений при выборе тактики коррекции стеноза внутренних сонных артерий // Врач и информационные технологии. 2018. № 2. С. 29-38
  10. Харевич О. Н., Лаптева И. М., Лаптева Е. А., Королева Е. Г. Клинические фенотипы тяжелой астмы (по результатам кластерного анализа) // Вестник Санкт-Петербургского университета. Медицина. 2015. № 2. С. 28-39
  11. Шарашова Е. Е., Холматова К. К., Горбатова М. А., Гржибовский А. М. Применение множественного логистического регрессионного анализа в здравоохранении с использованием пакета статистических программ SPSS // Наука и здравоохранение. 2017. № 4. С. 5-26
  12. Bamber J. H., Evans S. A. The value of decision tree analysis in planning anaesthetic care in obstetrics. International Journal of Obstetric Anesthesia. 2016. 27, pp. 55-61. doi: 10.1016/j.ijoa.2016.02.007.
  13. Ben-Gal I., Dana A., Shkolnik N., Singer G. Efficient Construction of Decision Trees by the Dual Information Distance Method. Quality Technology & Quantitative Management. 2014, 11 (1), pp. 133-147.
  14. Bewick V, Cheek L., Ball J. Statistics review 14: Logistic regression. Critical Care. 2005, 9 (1), pp. 112-118.
  15. Bewick V, Cheek L., Ball J. Statistics review 7: Correlation and regression. Critical Care. 2003, 7 (6), pp. 451-459.
  16. Deng H., Runger G., Tuv E. Bias of importance measures for multi-valued attributes and solutions. Proceedings of the 21st International Conference on Artificial Neural Networks (ICANN). 2011, pp. 293-300.
  17. Distinguin L., Blanchard M., Rouillon I., Parodi M., Loundon N. Pediatric cochlear reimplantation: Decision-tree efficacy. European Annals of Otorhinolaryngology, Head and Neck Diseases. 2018, 135 (4), pp. 243-247. DOI: 10.1016/j. anorl.2018.05.002.
  18. Garonzik-Wang J. M., Majella Doyle M. B. Decision Tree for Liver Resection for Hepatocellular Carcinoma. JAMA Surgery. 2016, 151 (9), pp. 853-854. DOI: 10.1001/ jamasurg.2016.1 149.
  19. Laurent H., Rivest R. L. Constructing Optimal Binary Decision Trees is NP-complete. Information Processing Letters. 1976, 5 (1 ), pp. 15-17. doi: 10.1016/0020-0190(76)90095-8.
  20. Schneider A., Hommel G., Blettner M. Linear Regression Analysis. Part 14 of a Series on Evaluation of Scientific Publications. Deutsches Ärzteblatt International. 2010, 107 (44), pp. 776-782.
  21. Suzuki S., Ukiya T., Kawauchi Y., Ishii H., Sugihara N. Decision tree analysis for factors associated with dental caries in school-aged children in Japan. Community Dental Health Journal. 2018, 35 (4), pp. 247-251. DOI: 10.1922/ CDH_4409Suzuki05.
  22. Tayefi M., Esmaeili H., Saberi Karimian M., Amirabadi Zadeh A., Ebrahimi M., Safarian M., Nematy M., Parizadeh S. M. R., Ferns G. A., Ghayour-Mobarhan M. The application of a decision tree to establish the parameters associated with hypertension. Computer Methods and Programs in Biomedicine. 2017, 139, pp. 83-91. DOI: 10.1016/j. cmpb.2016.10.020.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Наркевич А.Н., Виноградов К.А., Гржибовский А.М., 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).